PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2010 | Badania ekonometryczne w teorii i praktyce | 111--120
Tytuł artykułu

Identyfikacja zmiennych nieistotnych w wybranych nieparametrycznych modelach regresji

Warianty tytułu
Języki publikacji
PL
Abstrakty
Celem opracowania jest przedstawienie i porównanie dwóch metod pozwalających na wyodrębnienie cech nieistotnych dla modelu: eliminacji pojedynczych zmiennych oraz eliminacji zmiennych blokiem.Są to symulacyjne metody przeszukiwania podzbiorów cech (wrappers), polegające na budowaniu i porównywaniu modeli zbudowanych dla różnych zestawów zmiennych (Guyon i inni (2006).Wymienione procedury eliminacji są metodami uniwersalnymi, stosowanymi często w dyskryminacji, które jednak z powodzeniem można implementować w zagadnieniach regresji, zarówno klasycznych, jak i nieparametrycznych. (fragment tekstu)
Twórcy
  • Uniwersytet Ekonomiczny w Katowicach
Bibliografia
  • Feature Extraction, Foundations and Applications. (2006). Red. I.Guyon, S.Gunn, M.Nikravesh, L.Zadeh. Springer.
  • Friedman J.H. (1999a). Greedy Function Approximation: a Gradient Boosting Machine. Technical Report, Dept. of Statistics, Stanford University.
  • Friedman J.H. (1999b). Stochastic Gradient Boosting. Technical Report, Dept. of Statistics, Stanford University.
  • Gatnar E. (2001). Nieparametryczna metoda dyskryminacji i regresji. Wydawnictwo Naukowe PWN, Warszawa.
  • Hastie T., Tibshirani R., Friedman J.H. (2001). The Elements of Statistical Learning. Springer-Verlag, New York.
  • Meyer D., Leisch F., Hornik K. (2002). Benchmarking Support Vector Machines. Report nr 78. Vienna University of Economics and Business Administration.http://www.wuwien.ac.at./am/Download/report78.pdf
  • Nagatani T., Abe S. (2007). Backward Variable Selection of Support Vector Regressors by Block Deletion. "International Joint Conference on Neural Networks" (IJCNN), Orlando, s. 1540-1545.
  • Trzęsiok J. (2006). Analiza wybranych własności metody MART. Prace Naukowe. Akademia Ekonomiczna, Wrocław, nr 1126, s. 510-518.
  • Trzęsiok J. (2008). Gradientowa metoda boosting w ujęciu stochastycznym. W: Postępy statystyki, ekonometrii i matematyki stosowanej w Polsce Południowej. Red. A.Zeliaś, J.Pociecha. Uniwersytet Ekonomiczny, Kraków, s. 131-141.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171220815

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.